[论文解读] Simple Adaptive Size-Exact Testing for Full-Vector and Subvector Inference in Moment Inequality Models

Gregory A. Cox, Xiaoxia Shi|arXiv (Cornell University)|Jul 14, 2019

Statistical Methods and Inference被引用 4

一句话总结

本文提出了一种无需模拟、无需调参的矩不等式检验方法，通过使用自由度等于活跃不等式秩的卡方临界值，实现了精确或一致渐近精确的尺寸。该方法在条件矩不等式模型中实现了全向量与子向量参数的快速、可靠推断，显著降低了计算负担，同时保持了有效性与检验功效。

ABSTRACT

We propose a simple test for moment inequalities that has exact size in normal models with known variance and has uniformly asymptotically exact size more generally. The test compares the quasi-likelihood ratio statistic to a chi-squared critical value, where the degree of freedom is the rank of the inequalities that are active in finite samples. The test requires no simulation and thus is computationally fast and especially suitable for constructing confidence sets for parameters by test inversion. It uses no tuning parameter for moment selection and yet still adapts to the slackness of the moment inequalities. Furthermore, we show how the test can be easily adapted for inference on subvectors for the common empirical setting of conditional moment inequalities with nuisance parameters entering linearly.

研究动机与目标

• 解决现有基于模拟临界值的矩不等式检验方法计算成本过高的问题。
• 消除矩选择中对调参的需求，避免损害检验有效性。
• 开发一种计算高效的置信集构造方法，通过测试反演在高维参数空间中实现。
• 将该方法扩展至具有线性进入的干扰参数的模型中的子向量推断，提升检验功效并降低维度。
• 在一般正则条件下确保精确或一致渐近精确的尺寸，特别是在已知方差的正态模型中。

提出的方法

• 检验使用准似然比统计量，并与自由度等于在受限矩估计量处成立的活跃不等式秩的卡方临界值进行比较。
• 活跃不等式被定义为在受限估计量处取等号的不等式，其秩决定了数据驱动的自由度。
• 该方法完全避免模拟，仅依赖观测样本计算检验统计量与临界值。
• 在子向量推断中，通过投影消除干扰参数，将参数空间缩减为感兴趣的向量，从而实现高效的基于网格的置信集构造。
• 该方法利用线性规划计算识别集与投影置信集，确保计算可行性。
• 通过测试反演应用该方法构造置信集，采用无导数局部优化算法检查在估计参数下矩不等式的可行性。

实验结果

研究问题

• RQ1 能否构造一种既计算高效又无需模拟和调参的矩不等式检验？
• RQ2 所提出的检验在有限样本和渐近情况下是否保持精确或一致渐近精确的尺寸？
• RQ3 在干扰参数线性进入的模型中，该方法在子向量推断设置下的表现如何？
• RQ4 该检验能否用于降低置信集构造中参数网格的维度？
• RQ5 子向量检验的检验功效与全向量检验及基于投影的替代方法相比如何？

主要发现

• 在已知方差的正态模型中，所提检验实现了精确尺寸；在一般模型中实现了统一渐近精确尺寸，确保无需模拟即可进行有效推断。
• 该方法计算高效，避免模拟与调参，与现有基于模拟的检验相比，计算时间减少了数百倍。
• 在子向量推断中，与全向量检验的投影相比，该检验更不保守且功效更高，蒙特卡洛实验已证实此结果。
• 通过基于模拟误差抽样的条件期望，利用线性规划计算出感兴趣的参数识别集为 [-1.203, -0.757]。
• 投影置信集的算法采用无导数最小化过程，并结合多次随机重启，以确保在寻找可行参数值时的鲁棒性。
• 检验统计量与临界值直接从数据中推导，自由度由受限估计量处活跃不等式的秩决定，确保对不等式松弛程度的数据驱动自适应性。